📘 异常检测 · 欺诈识别
30章 从入门到实战
1
课程导论
什么是异常检测？欺诈识别的商业价值与挑战。
2
数据基础
欺诈相关数据的采集、清洗与特征工程入门。
3
统计方法
基于3-Sigma、箱线图（IQR）的简单异常检测。
4
距离度量
欧氏距离、曼哈顿距离与基于距离的异常检测。
5
密度方法
LOF（局部异常因子）算法原理与实战。
6
孤立森林
Isolation Forest的核心思想与代码实现。
7
单类SVM
One-Class SVM在欺诈检测中的应用。
8
基于聚类
K-Means与DBSCAN在异常发现中的角色。
9
时间序列异常
移动平均、指数平滑与季节性分解。
10
特征工程进阶
时间窗口特征、聚合特征与比率特征。
11
不平衡数据处理
过采样（SMOTE）、欠采样与代价敏感学习。
12
集成方法
随机森林与XGBoost在欺诈评分中的实践。
13
深度学习入门
Autoencoder（自编码器）用于无监督异常检测。
14
序列模型
LSTM在信用卡交易序列异常检测中的应用。
15
图神经网络
GNN在团伙欺诈识别中的初步探索。
16
规则引擎
从Apriori到关联规则挖掘欺诈模式。
17
实时检测
流式数据处理与滑动窗口异常检测。
18
模型评估
混淆矩阵、精确率、召回率、F1与PR曲线。
19
模型解释
SHAP与LIME在欺诈模型中的解释性分析。
20
对抗攻击
欺诈者如何绕过模型？对抗样本与防御。
21
案例实战（一）
信用卡交易欺诈检测全流程。
22
案例实战（二）
保险理赔欺诈识别方案。
23
案例实战（三）
电商平台虚假账户注册检测。
24
案例实战（四）
银行内部操作风险（员工舞弊）监控。
25
案例实战（五）
社交网络虚假信息与机器人检测。
26
系统架构
从数据管道到模型服务的MLOps设计。
27
隐私计算
联邦学习与差分隐私在欺诈数据共享中的应用。
28
合规与伦理
反欺诈中的公平性、偏见与监管要求。
29
前沿趋势
大模型（LLM）在欺诈检测中的新玩法。
30
课程总结
构建可落地的异常检测与反欺诈体系。